2、环境准备：Raspberry Pi硬件选型、操作系统安装、Python环境与依赖库配置

在开始TensorFlow Lite模型部署之前，硬件环境与软件栈的搭建质量直接决定了后续开发调试的效率。Raspberry Pi（树莓派）作为一款ARM架构的单板计算机，其性能、外设接口与操作系统生态与x86桌面环境存在显著差异。本章将围绕硬件选型、系统烧录、Python虚拟环境构建以及TensorFlow Lite运行时依赖的安装展开，帮助读者建立一套稳定、可复现的嵌入式AI开发环境。

2.1 硬件选型：性能与成本的平衡点

Raspberry Pi 系列中，适合图像分类项目的最低配置为 Raspberry Pi 4B（4GB RAM），推荐使用 Raspberry Pi 5（8GB RAM）。Pi 5 的CPU性能约为Pi 4B的2~3倍，其PCIe接口可外接AI加速模块（如Hailo-8L），但考虑到TensorFlow Lite在CPU上的优化已经足够应对轻量级模型（如MobileNetV2、EfficientNet-Lite），初学者不必额外购买加速棒。选择硬件时需关注以下核心指标：

• 内存容量：4GB是底线，8GB更从容。图像预处理、模型权重和中间张量都会占用RAM，内存不足会触发swap导致推理延迟飙升。
• 存储介质：建议使用A2级U3速度的TF卡（32GB以上），或直接使用USB 3.0 SSD。TF卡随机读写性能差，频繁写入日志或模型文件时容易损坏。
• 供电质量：必须使用官方5V/3A电源或同等品质适配器。劣质电源会导致USB外设随机断开、系统突然重启，这是嵌入式开发最常见的隐性故障。
• 散热方案：Pi 5在高负载下CPU温度可达85°C以上，触发降频后推理速度下降30%。建议使用带风扇的铝制散热壳，并保持通风。

2.2 操作系统安装与初始化配置

Raspberry Pi OS（64-bit）是官方推荐系统，基于Debian Bookworm，内核版本6.1+，对TensorFlow Lite的ARM64架构支持完善。安装流程如下：

1. 下载Raspberry Pi Imager（官方烧录工具），选择操作系统为“Raspberry Pi OS (64-bit)”
2. 插入TF卡（或连接USB SSD），在Imager中点击“设置”图标，预先配置：主机名、SSH启用、Wi-Fi密码、时区
3. 烧录完成后，将卡插入Pi并上电，通过SSH登录（默认用户pi，密码在Imager中设置）
4. 执行系统更新：sudo apt update && sudo apt full-upgrade -y
5. 安装基础工具：sudo apt install -y git vim htop tree

对于无显示器场景，建议启用VNC远程桌面（sudo raspi-config → Interface Options → VNC），方便后续调试图像显示。同时，在/boot/config.txt中增加gpu_mem=256，为GPU分配更多内存，加速图像处理操作。

2.3 Python虚拟环境与依赖库配置

系统自带的Python 3.9/3.11版本可直接使用，但强烈建议为每个项目创建独立的虚拟环境，避免不同项目的依赖冲突。操作流程如下：

# 创建虚拟环境
python3 -m venv ~/tflite_env

# 激活环境
source ~/tflite_env/bin/activate

# 升级pip并配置国内镜像（可选）
pip install --upgrade pip
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装核心依赖
pip install numpy==1.24.4
pip install opencv-python-headless==4.8.1.78
pip install tflite-runtime==2.14.0
pip install picamera2==0.3.17
pip install Pillow==10.0.0

这里需要特别说明tflite-runtime与tensorflow的区别：tflite-runtime是TensorFlow Lite的轻量级解释器，仅包含推理功能，体积约15MB，适合部署场景；而完整版tensorflow包含训练功能，体积超过500MB，在ARM设备上安装困难且运行缓慢。本项目统一使用tflite-runtime。

2.4 环境验证与常见问题排查

依赖安装完成后，必须进行完整的链路验证，确保每个环节都能正常工作。以下是一个最小化验证脚本：

import numpy as np
import tflite_runtime.interpreter as tflite
import cv2
from PIL import Image

# 1. 验证TensorFlow Lite解释器
interpreter = tflite.Interpreter(model_path="mobilenet_v2.tflite")
interpreter.allocate_tensors()
print("TFLite 解释器加载成功")

# 2. 验证OpenCV图像处理
img = cv2.imread("test.jpg")
resized = cv2.resize(img, (224, 224))
print("OpenCV 图像处理成功，尺寸:", resized.shape)

# 3. 验证numpy数组转换
input_data = np.expand_dims(resized.astype(np.float32) / 255.0, axis=0)
print("NumPy 数据转换成功，形状:", input_data.shape)

# 4. 执行一次推理
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()
output_data = interpreter.get_tensor(output_details[0]['index'])
print("推理输出形状:", output_data.shape)

如果上述脚本能顺利执行，说明环境基本就绪。常见的故障现象与解决方案如下：

• ImportError: libcblas.so.3：缺少BLAS库，执行sudo apt install libatlas-base-dev解决。
• Segmentation fault（段错误）：通常由numpy与OpenCV版本冲突导致，尝试降级numpy到1.24.x。
• 模型加载失败：检查.tflite文件是否完整，以及tflite-runtime版本是否与模型转换时的TensorFlow版本匹配。
• 摄像头无法打开：确认sudo raspi-config中Camera接口已启用，且picamera2版本与系统匹配。

2.5 环境备份与项目固化

嵌入式开发环境一旦配置成功，建议立即制作备份镜像，避免后续误操作导致环境损坏。使用dd命令或Win32DiskImager工具将TF卡全量备份为.img文件。同时，在项目目录下创建requirements.txt锁定依赖版本：

pip freeze > requirements.txt

这样，当需要在新设备上复现环境时，只需执行pip install -r requirements.txt即可。此外，建议将模型文件、测试图片和脚本统一存放在~/tflite_project/目录下，保持项目结构清晰。

至此，Raspberry Pi的硬件、系统、Python环境与依赖库已全部就绪。下一阶段将进入TensorFlow Lite模型的获取与转换环节，届时将利用本环境完成模型的加载与推理测试。建议读者在继续之前，先运行一遍上述验证脚本，确保环境无遗漏。